Sådan lærer Longev AI: regler, data og testede prognoser
Kernen i Longev AI er forklarlige kliniske regler baseret på gæstens eget udgangspunkt, hvor platformen oveni samler data om påvirkning og respons samt åbent måler sine egne prognosefejl.
Hvem siden henvender sig til. Teknisk audit, læger og investorer – alle, der spørger: «Er det maskinlæring eller faste regler?» Svaret er ærligt og kan efterprøves direkte i portalen.
Kernen er regler – helt bevidst. Hver anbefaling udledes af en navngiven grænseværdi og kan forklares i én sætning; betalte behandlinger ændres altid kun af lægen. I en medicinsk sammenhæng godkender ingen en sort boks.
Personlig tilpasning er gæstens eget udgangspunkt. Advarsler vurderes ikke ud fra et befolkningsgennemsnit, men ud fra gæstens eget gennemsnit under opholdet: En hvilepuls på 62 betyder intet, før man ved, at den har ligget på 54 hele ugen.
To datasæt. Beslutningsloggen – «gæstens tal → hvad lægen gjorde»; resultatloggen – «gårsdagens behandlinger og belastning → hvad uret målte om morgenen». Begge er anonyme fra bunden og kan eksporteres som JSONL-linjer.
Prognosen kontrolleres. Platformen forudsiger morgendagens hvilepuls, HRV, Body Battery og søvnscore med tre modeller og viser hver models gennemsnitlige afvigelse – som en tabel, ikke som et løfte.
Grænsen. Wellness & Lifestyle Intelligence er livsstilsstøtte, ikke medicinsk udstyr; det sidste ord tilhører altid lægen. Opdateret 25.08.2026.
Regler frem for en sort boks – og hvorfor
Longev AI er opbygget som en deterministisk motor: Den samme nat med de samme grænseværdier giver nøjagtig samme oversigt. Det er ikke en begrænsning, platformen forsøger at skjule, men et bevidst ingeniørvalg med tre grunde.
For det første: lægens underskrift. Morgenarket skal underskrives, og hver linje skal besvare spørgsmålet «hvorfor»: «Hvilepuls 68 mod dit gennemsnit på 61 – vi foreslår at udskifte den krævende behandling». En anbefaling, der ikke kan begrundes med et tal, udskrives aldrig.
For det andet: de lovgivningsmæssige rammer. Et system, der på egen hånd ændrer lægeordinationer ud fra en uigennemskuelig model, bevæger sig mod at blive klassificeret som medicinsk udstyr og falde under højrisikokategorien i EU's AI-forordning (EU AI Act). Platformen forbliver bevidst en livsstilsstøtte: Den foreslår, forklarer og afventer lægen (juridiske rammer).
For det tredje: koldstartsproblemet. En model, der skal trænes, er uden data dårligere end faste regler: Den har intet at lære af på et hotel, der startede i går. Regler fungerer fra den allerførste gæst – og data til fremtidige modeller begynder platformen at indsamle fra første morgen, som beskrevet nedenfor.
Eget udgangspunkt frem for et befolkningsgennemsnit
Næsten alle grænseværdier i motoren sammenligner gæsten med gæsten selv. Udgangspunktet er gennemsnittet for det aktuelle ophold: Ufuldstændige ankomstdage udelades helt, og før der er målt mindst to dage, aktiveres personlige advarsler slet ikke – en sammenligning med en enkelt nat ville svare til et plat eller krone trykt som en konklusion. Lægen kan hæve denne sikkerhedsgrænse til op til 5 dage.
Hjerterytmevariabilitet (HRV – hvor uensartede pauserne mellem hjerteslagene er) har en anden kilde til sandheden: gæstens eget basisområde, som Firstbeat-algoritmen i Garmin lærer over cirka tre uger. Når uret, som kender gæsten bedre end vores todages udgangspunkt, melder «under basisområdet», kan parathedskomponenten ikke blive grøn – urets vurdering vejer tungere end vores regnestykke, og udelukkende i den retning.
De samme tal udgør dagens parathed – et tal fra 0 til 100 svarende til Oura-ringens Readiness og WHOOP-armbåndets Recovery, men baseret på Garmin-data og med vægtninger fastsat af hotellets læge: Body Battery vægter 30 point, HRV og søvn 25 hver, mens hvilepuls og gårsdagens belastning vægter 10 hver. En komponent uden data erstattes ikke af et generelt gennemsnit – den udgår, vægtene normaliseres, og hvis der mangler data for mere end halvdelen af vægten, gives der slet ingen vurdering.
Lægens morgenark: parathed 49 ud af 100 med detaljeret opdeling – hver linje viser sit eget tal, sit udgangspunkt og sin begrundelse×
Motorens lag
Lag
Hvad det gør
Hvor det er beskrevet
Input
25 målinger fra Garmin-uret og vægten, spørgeskemaet, lægens ordinationer og kostdagbogen
Et hotel-PMS kan tilkoble Garmin Health API og modtage puls og søvn. Men det mangler de to ting, der udgør et træningsdatasæt: lægens ordinationer og kostregistreringerne. Derfor opbygger platformen to datasæt, og begge findes kun der, hvor biometri, ordinationer og kost er samlet i ét lukket kredsløb.
Beslutningsloggen – «gæstens tal → hvad lægen gjorde». Hver handling i panelet gemmes sammen med et anonymt øjebliksbillede af gæsten: alder, køn, opholdsdag, nattens målinger, egne gennemsnit og flag. Det fungerer allerede som en beslutningsstøtte: lægen kan se, hvordan huset har handlet ved tilsvarende tal.
Resultatloggen – «påvirkning → respons». Hver morgen med målinger registrerer platformen automatisk et par: gårsdagens behandlinger og belastning (inklusive aftensmad efter kl. 20.00 og glas fra drikkekuren) sammen med det, uret målte om morgenen – hvilepuls og HRV i forhold til personlig basislinje, søvn, Body Battery, parathed og flag.
Anonymitet og sletning. Rækkerne indeholder hverken navn eller fødselsdato. Trækkes samtykket til sundhedsdata tilbage, slettes gæstens datapunkter også – det gør datasættet mere ærligt, ikke fattigere. Eksport sker som JSONL-linjer fra administrationspanelet.
Observation, ikke årsagssammenhæng. Ud fra de indsamlede par viser panelet gennemsnit «med faktor / uden»: varmebehandlinger dagen før, en krævende behandling, belastning 50 % over baseline eller sen aftensmad. Sammenligningen vises kun ved mindst 5 par på hver side og er markeret som en observation: en enkelt morgens tal har for mange mulige årsager til, at en forskel i gennemsnit kan kaldes en direkte årsag.
Prognosetest: fejlmargin i stedet for løfter
Udsagnet «platformen bliver mere præcis» har en auditor ret til at få dokumenteret med et tal. Derfor findes der en prognosetest i administrationspanelet: ud fra hele den indsamlede historik forudsiger platformen hver morgen med tilbagevirkende kraft – hvilepuls, HRV, Body Battery og søvnscore – og beregner den gennemsnitlige absolutte fejl (MAE): hvor mange enheder prognosen i gennemsnit rammer forbi med.
Det beregnes walk-forward – «kun fremadrettet»: prognosen for en morgen opbygges udelukkende ud fra dagene forinden, og selv belastningskoefficienten eftertrænes kun på par, der allerede var indtruffet på det tidspunkt. Det er konstruktionsmæssigt umuligt at kigge ind i fremtiden og tilpasse resultatet.
Model
Hvordan den forudsiger
Hvorfor den er i tabellen
«Som i går»
i morgen vil have samme tal som i dag
den naive barre: en model, der ikke slår dette, har ikke ret til at kalde sig en model
«Personlig basislinje»
gæstens gennemsnit for opholdet – det samme som udskrives på morgenarket
viser værdien af selve personaliseringen
«Basislinje + belastning»
personlig basislinje med korrektion for gårsdagens overbelastning; koefficienten aktiveres efter 8 indsamlede par
det første trænbare element – og dets bidrag kan ses separat
Tabellen er bevidst indrettet til at vise det ubekvemme: ved kort historik slår den naive «som i går» ofte korrektionerne – og det er et reelt resultat, ikke en fejl. Barren for fremtidige modeller sættes af netop denne tabel: en model implementeres først, når den stabilt udkonkurrerer den naive model på hotellets egne data, ikke når den blot lyder overbevisende.
Køreplan
Nu. Regler oven på gæstens egen basislinje; journalerne over beslutninger og udfald vokser af sig selv; prognosefejlen måles med et tryk på en knap.
Næste skridt. Prædiktive modeller baseret på udfaldsjournalen – når der er par nok til stabilt at slå det simple sammenligningsgrundlag fra tabellen ovenfor. Indtil da er der ingen «smarte» ord i udstillingsvinduet.
Altid. Automatisk ordination kun som et udkast, lægen godkender: sådan fungerer morgennotatet allerede, og sådan vil forslag til ordinationer fra beslutningsjournalen også fungere.
Spørgsmål og svar
Er det maskinlæring eller faste regler? Kernen er forklarlige regler oven på gæstens egen basislinje. Der findes allerede komponenter, der lærer – belastningskoefficienten i prognosen og søgningen efter lignende tilfælde i beslutningsjournalen – mens fulde modeller tilføjes på baggrund af udfaldsjournalen, hvor kvaliteten allerede måles med fejltabellen.
Hvorfor ikke et neuralt netværk? Fordi arket underskrives af en læge, og forklarlighed er et klinisk krav, ikke en smagssag; fordi EU AI Act stiller strengere krav til uigennemskuelige sundhedsanbefalinger end til regler; og fordi modeller uden data er dårligere end regler – og platformen er stadig i gang med at samle data.
Hvad forhindrer et almindeligt PMS-system i at gøre det samme? Garmin Health API leverer biometri, men hverken lægens ordinationer eller kostregistreringer. Parret «påvirkning → respons» opstår kun der, hvor alle tre datastrømme er samlet i ét kredsløb – og det datasæt forbliver hos hotellet.
Hvor kan man se alt dette? I panelet: Indstillinger → Assistent – kortene for begge journaler, faktorobservationerne, knappen til prognosekontrol og JSONL-eksport (administratorvisningen).
Påstår platformen en årsagssammenhæng? Nej. Gennemsnittene «med / uden faktor» er angivet som observationer; årsagskonklusioner kræver datamængder og et forsøgsdesign, som et enkelt hotel ikke har – og en ærlig side siger det direkte.
Google Analytics viser os, hvilke sider der bliver læst – kun med dit samtykke. Dit sprog og dette valg bliver under alle omstændigheder i din browser.
